본 논문은 기존의 규칙 기반 SQL 쿼리 재작성 방법의 한계를 극복하기 위해 대규모 언어 모델(LLM)을 활용한 새로운 프레임워크인 E3-Rewrite를 제안합니다. 기존 방법은 고정된 규칙 집합에 의존하여 새로운 쿼리 패턴이나 복잡한 쿼리에 대한 일반화가 어렵고 효과적인 재작성 전략을 완전히 포착하지 못하는 한계가 있습니다. E3-Rewrite는 실행 계획과 검색된 예시를 활용하여 컨텍스트를 구축하고, 실행 가능성, 동등성, 효율성을 목표로 하는 보상 함수를 설계하여 강화 학습을 통해 최적의 쿼리 재작성을 수행합니다. 단계적인 교육 과정을 통해 안정적인 다중 목표 학습을 달성하며, 다양한 SQL 벤치마크에서 최첨단 방법에 비해 최대 25.6%의 쿼리 실행 시간 단축과 최대 24.4%의 재작성 성공률 향상을 보였습니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 기존 규칙 기반 방식의 한계를 극복하고 복잡한 SQL 쿼리 재작성 문제를 해결할 수 있음을 보여줍니다.
◦
실행 계획 및 예시를 활용한 컨텍스트 구축과 강화 학습 기반의 보상 함수 설계를 통해 실행 가능하고 동등하며 효율적인 쿼리를 생성할 수 있음을 증명합니다.
◦
다양한 SQL 벤치마크에서 기존 최고 성능 모델보다 쿼리 실행 시간을 단축하고 재작성 성공률을 높였습니다.
•
한계점:
◦
LLM의 성능에 의존적이며, LLM의 한계가 E3-Rewrite의 성능에도 영향을 미칠 수 있습니다.
◦
보상 함수의 설계 및 강화 학습 과정의 최적화가 성능에 중요한 영향을 미치므로, 추가적인 연구가 필요할 수 있습니다.
